我国汽车保有量影响因素的实证分析

课程代码：081307学时/学分：48/3成绩：北航研究生精品课程建设计量经济学课程案例分析案例题目：我国汽车保有量影响因素的实证分析任课老师：韩立岩〔教授〕组长：霍岩〔SY0908430〕组员：罗曼〔SY0908418〕徐一航〔SY0908422〕高欣〔PT0900154〕摘要我国经济的快速开展为私人汽车提供了巨大的开展空间，同时汽车保有量的大幅增加势必对土地、能源和环境带来巨大压力，这就需要对影响私人汽车开展的主要因素进行分析，对其保有量的开展趋势做出科学判断。本文根据1985年至2008年国内各项经济指标，运用EVIEWS计量软件对各种因素进行分析，给出了一个适用于短期预测的计量经济学模型及进行各项检验的详细过程，并说明了根据此模型进行未来预测的可行性。最后，根据汽车保有量对于我国经济的重要作用提出了几点政策建议，明确汽车产业开展与国家可持续开展之间的关系。关键词：汽车保有量汽车产量增长率影响因素实证分析

目录摘要 21 绪论 4 研究背景 4 研究意义 42 模型的选取和变量的选择 6 变量选取 6 单方程模型尝试 7 初步分析 7 对数方程 13 去多重共线性 14 异方差的检验及处理 15 自相关性分析 20 关于虚拟变量 23 关于分布滞后模型 25 小结 263 联立模型 28 原始模型 28 VAR模型 29 三阶段最小二乘法 32 两阶段最小二乘法 32 模型修正 34 小结 354 协整分析 37 平稳性分析 37 E-G检验两步法与误差修正模型 40 预测能力分析 445 总结 456 政策建议 46绪论研究背景汽车保有量指的就是一个地区拥有车辆的数量，一般是指在当地登记的车辆。汽车特别是用于消费的私人轿车保有量的多少，与经济开展、经济活泼程度、国内生产总值、人均国内生产总值的增长，以及道路建设的开展有着密切的联系。随着中国经济的持续快速开展以及人民群众收入水平的不断提高，将有越来越多的家庭具备购置私人轿车的能力。国家信息中心预测，2009年前后是中国中等收入家庭具备购车能力的时间点，届时将有近1亿中国人可以享用自己的家庭轿车。在此种情况下，对汽车保有量增加情况的实证分析就显得很有意义。据国家统计局统计，截至2005年底，全国民用汽车保有量为3160万辆，其中私人汽车到达1852万辆，占总量的58.6%。2006年国内销售了700多万辆国产和进口汽车，其中60%为私人购置。据中国汽车工业协会的专家估算，目前中国汽车保有量约为3800多万辆，私人汽车约为2200万辆。私车已经占全国汽车保有量的60%左右，这标志着中国汽车消费进入以私人消费为主的开展新阶段。自我国参加世界贸易组织后，中国汽车市场大举对外开放，带动了国内汽车产业的迅速开展。国家又出台了一系列鼓励轿车进入家庭的政策，长期以公车消费为主的轿车市场转变为以私人消费为主。私人购车成为当今轿车市场消费的主流。中国汽车技术研究中心的一份研究报告指出，2006年私人购置轿车比例超过77%。随着私人轿车消费时代的到来，私人轿车成为拉动私车保有量大幅上升的主要因素。据国家统计局统计，2003年到2005年，私人载货车仅增长85万辆，而私人载客车那么增长了633万辆。2006年，全国汽车销量为710多万辆，其中轿车到达380多万辆，绝大局部为私人所购置。从上面这些数据可以看出，我国的汽车保有量处于持续增长的阶段，并且其消费结构也有着明显的转变，所以建立适当的模型来分析其增长原因以及估计消费结构的具体形式这些都显得尤为重要，可以为我过得汽车工业开展前进方向分析提供参考数据。研究意义改革开放以来，我国的经济建设取得了巨大开展，在工业化进程不断加快的情况下，经济结构也发生了重大变化。与此同时，人民生活水平显著提高，与人民日常生活密切相关各种根底设施也得到了长足的开展。在这一切条件下，我国的汽车工业也呈现出一片繁荣景象，并在逐步成为国民经济的支柱产业之一。研究汽车保有量增长的规律和影响因素，对于预测市场，配套设施的建设以及相关市场的开展和相关政策的制定，都有着重要意义。汽车保有量增长原因的分析、增长趋势的判断以及消费结构的识别，这些都为我国未来的汽车工业、交通运输业以及银行信贷机制设计都有着至关重要的意义。一个城市未来的市内道路建设、建筑规划、商业圈划分等等规划内容都要受到汽车保有量这一指标的干扰，只有正确的分析并预测这一指标才能提出与城市开展相切合的城市规划方案，才能实现“城市，让生活更美好”这一理想。本文从近些年来国内几项经济指标与汽车保有量间的关系入手，分别采用多元回归法、联立模型和协整分析等工具对统计数据了技术处理，找出导致汽车保有量持续增长的原因，并对构成增长的消费结构进行了初步的分析和识别，下一步本文将对汽车保有量的预测做出更深的研究，争取能够早日得出具有实际指导意义的统计数据分析结果。模型的选取和变量的选择变量选取Y：汽车保有量〔万辆〕：保有量指的是一个地区拥有车辆的数量，一般是指在当地登记的车辆。汽车特别是用于消费的私人轿车保有量的多少，与经济开展、经济活泼程度、国内生产总值、人均国内生产总值的增长，以及道路建设的开展有着密切的联系。随着中国经济的持续快速开展以及人民群众收入水平的不断提高，将有越来越多的家庭具备购置私人轿车的能力。INC：城镇居民可支配收入〔元〕：居民收入的上下对于私人车辆的购置有着直接的影响，目前我国私人购置车辆逐年增多，与居民收入的提高有着直接的关系。本文采用的指标为统计年鉴中的城镇居民人均可支配收入，显然，城镇居民的购置能力要远高于农村居民，该项数据与汽车保有量的相关性更高。POP:城镇人口〔亿人〕：城镇人口是指居住于城市、集镇的人口，主要依据人群的居住地和所从事的产业进行归类。一般认为城镇人口占有率的上下反响出一个地区的工业化、城镇化或城市化水平。PRO:汽车产量〔万辆〕：2009年中国汽车累计产销突破1300万辆，同比增长创历年最高，中国成为世界第一汽车生产和消费国。在汽车产业与国家经济腾飞的关系上，日本和韩国提供了成功的经验。在其经济腾飞时期，其汽车产量、汽车保有量及国民收入水平有着强烈的正相关。WAY:公路长度〔万公里〕：近年来，我国一直加大公路交通网的建设，无论是公路里程长度还是公路等级都有了明显的进步。这也为我们驾车出行提供了可能和便利，因而也推动了私人汽车的消费。数据类型：时间序列〔如表1所示〕年度区间：1985-2008表1我国近年〔1985-2008〕汽车保有量统计数据obsYINCPOPPROWAY198519861987198819891990199119921993199419951996199719981999200020012002200320042005200620072008从表1中的数据可以看出，我国汽车保有量呈现出持续增长的趋势，但居民可支配收入所占的影响地位是否是汽车保有量增长的主要原因，还有待进一步检验。本文将从下节开始建立模型进行因果关系的分析。单方程模型尝试初步分析从我们的实际经验中可以得出城镇居民可支配收入、城镇人口、汽车产量、公路长度显然对汽车保有量都有正向的作用这一结论，但由于这些变量之间有共同的增长趋势和密切的关联度，难免引来多重共线性的后果。如以下是用Y对INC、POP、PRO、WAY进行OLS回归得到的结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:15Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CINCPOPPROWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)从回归结果可以得出+INCPOP+PRO+WAYR2=,8630，DW=，F=查F分布表，得临界值F〔4，19〕=，故F=>，回归方程显著。但是是其中POP〔城镇人口〕一项系数为负值，显然与经济意义不符，推断必有多重共线性。从Eviews中分别计算INC、POP、PRO、WAY的两两回归系数，得到下表。CorelationINCPOPPROWAYINCPOP

1.000000PROWAY从表中可以看看出解释变量之间是高度相关的。为了检验和处理多重共线性，采用逐步回归法。对Y分别关于INC、POP、PRO、WAY作最小二乘回归，得出以下结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:26Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CINCR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid3557246.

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)-+INCR2=,，DW=，F=Y对c、POP回归，得到如下结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:27Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CPOPR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid8004544.

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)+POPR2=,，DW=，F=Y对c、PRO回归，得到如下结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:29Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CPROR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)+PROR2=,，DW=，F=Y对c、WAY回归，得到如下结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:31Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid4752968.

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)-+WAYR2=,，DW=，F=根据回归结果，易知汽车产量PRO是最重要的解释变量，所以选取第3个回归方程为根本方程。参加下INC做最小二乘回归。Y对c、INC、PRO回归，得到如下结果：DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:42Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CINCPROR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)INC+PROR2=,，DW=，F=参加INC城镇人口可支配收入后，拟合优度增加，参数估计值的符号却发生了变化，显然INC与Y不可能反向变动，而且INC显著性较低，所以在模型中是否保存INC待定。再在方程中参加PRO做最小二乘回归。DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:19:44Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CPROWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)+POP+PROWAYR2=,，DW=，F=参加WAY公路里程后，拟合优度增加，但参数估计值的符号也不正确，所以在模型中是否保存了WAY也待定。再在方程中参加POP做最小二乘回归。DependentVariable:YMethod:LeastSquaresDate:12/30/09Time:21:49Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

C5POPWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid3650775.

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)+INC+POP+WAYR2=,，DW=，F=参加POP城镇人口数后，拟合优度增加，但参数估计值的符号也不正确，所以在模型中是否保存了POP也待定。从上述尝试中可以发现，由于严重的多重共线性，我们无法把几个解释变量同时放入一个模型中。对数方程鉴于对方程的回归在参加两个以上解释变量后总出现与事实不符的参数估计值的符号，而单个解释解释力又缺乏，我们考察了被解释变量和解释变量的图线，发现出城镇人口外，各变量均有指数增长的趋势，所以我们考虑变更方程形式。采用对数方程。LNY对c、LNINC、LNPOP、LNPRO、LNWAY回归，结果如下：DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:09:49Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPOPLNPROLNWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid29936

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)从回归结果中可以看出，方程的拟合优度较好，参数估计值的符号也正确，但LNPOP和LNWAY的显著性不高，考虑可能存在多重共线性。去多重共线性从相关性矩阵可以看出，确实存在着高相关性。考虑到方程的经济意义，考虑剔除LNPOP，人口增长率，保存LNINC可支配收入增长率、LNPRO汽车产量增长率、LNWAY和公路长度增长率。CorelationLNINCLNPOPLNPROLNWAYLNINCLNPOPLNPRO79060LNWAYLNY对c、LNINC、LNPRO、LNWAY回归，得到如下结果：DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:10:02Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)从回归结果可以看出，各解释变量都都较为显著，F值获得了提升。接受该根本方程。异方差的检验及处理确定了模型的根本方程后，我们对模型的异方差进行的检验和处理。从残差图中，由图可知，残差随时间趋势的增加，离散程度增大。由图可知，残差随LNINC的增加，离散程度增大。由图可知，残差随LNPRO的增加，离散程度增大。由图可知，残差随LNWAY的增加，离散程度增大。从模拟图与残差图也可以看出，随机误差存在着异方差。下面运用怀特检验，对方程进行异方差检验。HeteroskedasticitYTest:WhiteF-statistic

Prob.F(9,14)Obs*R-squared

Prob.Chi-Square(9)048ScaledexplainedSS

Prob.Chi-Square(9)TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:12/31/09Time:10:12Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CLNINCLNINC^2LNINC*LNPROLNINC*LNWAYLNPROLNPRO^2LNPRO*LNWAYLNWAYLNWAY^2R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)因为TR2=24×=<(9)=，证明模型不存在显著的异方差。但于此同时，

Prob.F(9,14)=，显著性水平并不算高。从图示和white检验得出的结论并不一致，我们仍决定用加权最小二乘法对异方差进行修正。我们选择了1/resid作为权重，加权最小二乘结果如下。DependentVariable:LNYMethod:LeastSquaresDate:01/26/10Time:10:22Sample(adjusted):19872008Includedobservations:22afteradjustmentsWeightingseries:1/RESIDVariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYWeightedStatisticsR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)UnweightedStatisticsR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidDurbin-Watsonstat通过WLS，拟合优度提高，各解释变量的显著性获得了提高，DW值发生了下降。WLS后，再次对方程进行White检验，TR2=18×=<<(4)=9.488，可以确定的说消除了异方差。HeteroskedasticitYTest:WhiteF-statistic

Prob.F(9,14)Obs*R-squared

Prob.Chi-Square(9)ScaledexplainedSS

Prob.Chi-Square(9)TestEquation:DependentVariable:WGT_RESID^2Method:LeastSquaresDate:12/31/09Time:10:21Sample:19852008Includedobservations:24CollineartestregressorsdroppedfromspecificationVariableCoefficientStd.Errort-StatisticProb.

CWGT^2LNINC^2*WGT^2LNINC*WGT^2LNINC*LNPRO*WGT^2LNINC*LNWAY*WGT^2LNPRO^2*WGT^2LNPRO*WGT^2LNPRO*LNWAY*WGT^2LNWAY^2*WGT^2R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)方程已经根本不存在异方差了自相关性分析从回归结果可以直观地看出DW检验的结果。当α=0.05，k=3，T=24时，dL=1.10，dU=1.66，方程中DW=，说明残差有正的自相关性。再看Q检验，如下列图所示，从Q检验也可以明显看出残差的自相关性呈现正弦衰竭。再通过LM检验对方程的残差自相关性进行检验，得到如下结果。Breusch-GodfreYSerialCorrelationLMTest:F-statistic

Prob.F(2,18)Obs*R-squared

Prob.Chi-Square(2)TestEquation:DependentVariable:RESIDMethod:LeastSquaresDate:12/31/09Time:10:26Sample:19852008Includedobservations:24Presamplemissingvaluelaggedresidualssettozero.VariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYRESID(-1)RESID(-2)R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)0.072988TR2=24×=>(2)=5.991，说明方程存在显著的残差自相关。从Q检验和LM检验中，我们可以才看出残差RESID，与残差的一阶滞后项RESID(-1)高度相关。所以，利用广义差分法对模型进行回归。DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:11:20Sample(adjusted):19862008Includedobservations:23afteradjustmentsConvergenceachievedafter8iterationsVariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYAR(1)R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)InvertedARRoots

.55再对新的回归模型进行LM检验，得到以下结果：Breusch-GodfreYSerialCorrelationLMTest:F-statistic

Prob.F(2,16)Obs*R-squared

Prob.Chi-Square(2)TestEquation:DependentVariable:RESIDMethod:LeastSquaresDate:12/31/09Time:11:26Sample:19862008Includedobservations:23Presamplemissingvaluelaggedresidualssettozero.VariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYAR(1)RESID(-1)RESID(-2)R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)TR2=23×=<(2)=5.991，说明方程已经不存在显著的残差自相关。同时，在此模型上关于异方差的怀特检验TR2=23×=<(8)=15.507，说明也不存在异方差，所以，不对方程进行加权。初步回归结果为：LNY=-9.61298+0.861551*LNINC+0.310325*LNPRO+1.371732*LNWAY+[AR(1)=0.546178]关于虚拟变量在对解释变量数据特征的观察中，我们可以发现PRO〔汽车产量〕在2002年度以后增长速度明显加快，据推测其原因可能是2001年12月11日，中国正式参加世界贸易组织，进口汽车关税下降，国内车价下跌，带来了较强的收入效应，刺激了居民购车行为。对此，我们引入了虚拟变量，对这一现象进行了反映，其中，D2=0，〔年份<=2001〕D2=1，〔年份>2001〕参加虚拟变量后对方程进行回归，得到如下结果：DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:11:48Sample(adjusted):19862008Includedobservations:23afteradjustmentsConvergenceachievedafter8iterationsVariableCoefficientStd.Errort-StatisticProb.

CD2LNINCLNPROLNPRO*D2LNWAYAR(1)R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)InvertedARRoots

.47然而，回归结果并不十分显著，所以，我们在模型中放弃该虚拟变量。关于分布滞后模型采用阿尔蒙〔Almon〕多项式法，回归结构如下：DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:13:24Sample(adjusted):19902008Includedobservations:19afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

CPDL01PDL02PDL03PDL04PDL05PDL06R-squaredMeandependentvarAdjustedR-squaredS.D.dependentvarS.E.ofregressionAkaikeinfocriterionSumsquaredresidSchwarzcriterionLoglikelihoodHannan-Quinncriter.F-statisticDurbin-WatsonstatProb(F-statistic)

LagDistributionofLNINCiCoefficientStd.Errort-Statistic

*.|0

.*|1

.*|2

.*|3

.*|4

.*|5SumofLags

LagDistributionofLNWAYiCoefficientStd.Errort-Statistic

*.|0

*.|1

.*|2

.*|3

.*|4SumofLags

LagDistributionofLNPROiCoefficientStd.Errort-Statistic

.*|0

.*|1

.*|2

.*|3

.*|4SumofLags由于回归结果不显著，放弃该模型。综上，我们得到了单方程情况下，汽车保有量影响因素分析的最终模型：LNY=-9.61298+0.861551*LNINC+0.310325*LNPRO+1.371732*LNWAY+[AR(1)=0.546178]小结通过这一章节对统计数据的建模分析发现，绝对的统计数据无法直接进行建模回归，因为数据的变动量较大，而且有较为明显的转折点存在。所以，对原始数据进行对数处理，观察数据的变动量之间的关系。汽车保有量的变动量模型经过根本的古典假设检验验证发现，这一模型有着较为良好的统计性质，尤其是消除了异方差和自相关性后，模型根本可以对汽车保有量的变化量做出一定的解释。汽车保有量的增长量与我国的公路里程数的变量正相关，且属于强正相关，这说明国家对公路建设的根底性投资可以带动汽车工业和交通运输业的开展。此外，汽车保有量的增加还与城镇居民的可支配收入有很大的关系，汽车属于耐消费品，也可以看做是一种投资，所以居民可支配收入的提高对汽车的销售和汽车工业的刺激是十分巨大的。还有一局部增长的原因来自汽车产量的增加，这是因为汽车厂家的生产方案会在一定程度引导市场的需求和供应之间的平衡。模型中还参加了一期滞后项，这说明汽车保有量的变化量是一个与自身前期相关的指标，往往上一年的变化幅度会决定下一年变化幅度，这在金融数据的统计结果中非常常见，最著名的就是自相关条件异方差〔ARCH〕模型和广义自相关条件异方差〔GARCH〕。但这一变化属不属于ARCH模型还需要后续的继续分析。到此为止，本文地出了一般的关于汽车保有量的增长量变化原因的单方程模型，这一模型已可以初步的解释汽车保有量增长的原因，也能刻画一些实际的经济意义。在接下来的工作里本文将从更多的角度深层次挖掘汽车保有量增长的原因，建立可以更加完整描述实际变化的模型，揭示更为深刻的经济意义。联立模型原始模型在原有的汽车保有量模型根底上，我们又对汽车产量进行回归分析。我们用两阶段最小二乘法对以下模型进行了回归：LNY=a0+a1*LNINC+a2*LNPRO+a3*LNWAY+a4*AR(1)………………〔1〕LNPRO=b0+b1*LNINC+b2*LNPOP+b3*LNWAY…………〔2〕得到以下结果：SYstem:sYs01EstimationMethod:Two-StageLeastSquaresDate:12/31/09Time:14:14Sample:19862008Includedobservations:23TotalsYstem(balanced)observations46CoefficientStd.Errort-StatisticProb.

C(1)C(2)C(3)C(4)C(5)C(6)C(7)C(8)DeterminantresidualcovarianceEquation:LNY=C(1)+C(2)*LNINC+C(3)*LNPRO+C(4)*LNWAY

Instruments:INCWAYY(-1)PRO(-1)CObservations:23R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidDurbin-WatsonstatEquation:LOG(PRO)=C(5)+C(6)*LNINC+C(7)*LNPOP+C(8)*LNWAY

Instruments:INCWAYY(-1)PRO(-1)CObservations:23R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidDurbin-WatsonstatVAR模型回归结果显示，方程中一些解释变量并不十分显著，我们通过VAR检验，重新寻找模型结构。

VectorAutoregressionEstimates

Date:12/31/09Time:14:23

Sample(adjusted):19872008

Includedobservations:22afteradjustments

Standarderrorsin()&t-statisticsin[]LNYLNPROLNY(-1)

(0.26817)

(4.0E-13)[2.22176][-3.23630]LNY(-2)

(0.24698)

(3.7E-13)[-0.03360][2.37296]LNPRO(-1)

(0.22589)

(3.4E-13)[-0.00064][1.50927]LNPRO(-2)

(0.17669)

(2.7E-13)[0.70321][0.03471]C

(2.34271)

(3.5E-12)[-1.18071][-0.24878]LNINC

(0.19117)

(2.9E-13)[0.97166][0.12003]LNPRO

(0.17914)

(2.7E-13)[1.22567][3.7e+12]LNWAY

(0.43536)

(6.5E-13)[0.95094][0.00000]

R-squared

Adj.R-squared

Sumsq.resids

S.E.equation

F-statistic

1.41E+26

Loglikelihood

AkaikeAIC

SchwarzSC

Meandependent

S.D.dependent

Determinantresidcovariance(dofadj.)

Determinantresidcovariance

Loglikelihood

Akaikeinformationcriterion

Schwarzcriterion用LNY和LNPRO作为内生变量进行VAR检验，可知，LNY与LNINC,LNPRO,LNWAY存在较为显著的动态关系。用LNPRO作为内生变量进行VAR检验，可知，LNPRO与LNPRO(-1)，LNWAY和LNY(-1)存在较为显著的动态关系。VectorAutoregressionEstimates

Date:12/31/09Time:14:26

Sample(adjusted):19872008

Includedobservations:22after

adjustments

Standarderrorsin()&t-statisticsin[]LNPROLNPRO(-1)

(0.21037)[4.30519]LNPRO(-2)

(0.22359)[-1.85472]C

(2.97428)[-0.86811]LNINC

(0.24454)[0.30050]LNWAY

(0.54433)[1.48422]LNY(-1)

(0.25951)[0.45022]

R-squared

Adj.R-squared

Sumsq.resids

S.E.equation

F-statistic

Loglikelihood

AkaikeAIC

SchwarzSC

Meandependent

S.D.dependent但于此同时，我们通过GrangerCausalitYTests发现，LNPRO与LNY(-1)的因果关系，是前者是后者的原因，所以LNY(-1)不能作为LNPRO的解释变量PairwiseGrangerCausalitYTestsDate:12/31/09Time:14:26Sample:19852008Lags:3

NullHYpothesis:ObsF-StatisticProb.

LNY(-1)doesnotGrangerCauseLNPRO

20

LNPROdoesnotGrangerCauseLNY(-1)于是，我们修正模型，为以下形式：LNY=a0+a1*LNINC+a2*LNPRO+a3*LNWAY+a4*AR(1)………………〔3〕LNPRO=b0+b1*LNPRO(-1)+b2LNWAY………〔4〕三阶段最小二乘法运用三阶段最小二乘法对系统进行回归，得到以下回归结果：SYstem:SYS01EstimationMethod:Three-StageLeastSquaresDate:12/31/09Time:14:48Sample:19862008Includedobservations:23TotalsYstem(balanced)observations46Linearestimationafterone-stepweightingmatrixCoefficientStd.Errort-StatisticProb.

C(1)C(2)C(3)C(4)C(5)C(6)C(7)DeterminantresidualcovarianceEquation:LNY=C(1)+C(2)*LNINC+C(3)*LNPRO+C(4)*LNWAY

Instruments:INCWAYY(-1)PRO(-1)CObservations:23R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidDurbin-WatsonstatEquation:LOG(PRO)=C(5)+C(6)*LNPRO(-1)+C(7)*LNWAY

Instruments:INCWAYY(-1)PRO(-1)CObservations:23R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvar446S.E.ofregression

SumsquaredresidDurbin-Watsonstat两阶段最小二乘法运用两阶段最小二乘法对方程进行逐个回归，得到以下回归结果：方程〔1〕：DependentVariable:LNYMethod:Two-StageLeastSquaresDate:12/31/09Time:13:34Sample(adjusted):19862008Includedobservations:23afteradjustmentsConvergenceachievedafter8iterationsInstrumentlist:LNPROLNWAYLNPRO(-1)LNINC

Laggeddependentvariable®ressorsaddedtoinstrumentlistVariableCoefficientStd.Errort-StatisticProb.

CLNINCLNPROLNWAYAR(1)R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidF-statistic

Durbin-WatsonstatProb(F-statistic)

Second-StageSSRInvertedARRoots

.55方程〔2〕：DependentVariable:LNPROMethod:Two-StageLeastSquaresDate:12/31/09Time:13:35Sample(adjusted):19862008Includedobservations:23afteradjustmentsInstrumentlist:LNPROLNWAYLNPRO(-1)LNINCVariableCoefficientStd.Errort-StatisticProb.

CLNPRO(-1)LNWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidF-statistic

Durbin-WatsonstatProb(F-statistic)

Second-StageSSR模型修正通过对于模型残差的检验，发现联立模型中的两个方程都不存在异方差，但第二个方程的残差存在异方差。如white检验所示：HeteroskedasticityTest:WhiteF-statistic

Prob.F(5,17)Obs*R-squared

Prob.Chi-Square(5)ScaledexplainedSS

Prob.Chi-Square(5)TestEquation:DependentVariable:RESID^2Method:LeastSquaresDate:01/26/10Time:11:04Sample:19862008Includedobservations:23VariableCoefficientStd.Errort-StatisticProb.

CLNPRO(-1)LNPRO(-1)^2LNPRO(-1)*LNWAYLNWAYLNWAY^2R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)鉴于此种情况，我们使用了加权最小二乘法对模型进行修正。根据white检验结果，取1/SQR(LNWAY(-(1)*LNPRO(-1)))作为权重，再次回归，得到以下模型。DependentVariable:LNPROMethod:Two-StageLeastSquaresDate:01/26/10Time:11:02Sample(adjusted):19882008Includedobservations:21afteradjustmentsWeightingseries:1/SQR(LNWAY(-(1)*LNPRO(-1)))Instrumentlist:LNPROLNWAYLNPRO(-1)LNINCVariableCoefficientStd.Errort-StatisticProb.

CLNPRO(-1)LNWAYWeightedStatisticsR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidF-statistic

Durbin-WatsonstatProb(F-statistic)

Second-StageSSRUnweightedStatisticsR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

SumsquaredresidDurbin-Watsonstat得出的联立方程为：LNY=-9.612982+0.861551*LNINC+1.371732*LNPRO+a3*LNWAY+[AR(1)=]……〔3〕LNPRO=+0.746004*LNPRO(-1)+LNWAY……………〔4〕小结联系方程模型的建立是为了能够将模型中变量之间的相互关系更加清楚的表示出来，从而能够清楚的看到汽车保有量增长变化的经济原因。本文通过VAR方法最后得出的联立模型中，对于汽车保有量变化的解释依然没有发生太大的变化，和之前单方程建立的模型相类似，这说明本文所建立的单方程模型是可信的。第二个方程是围绕汽车产量的变化量来建立的，得到的结果说明汽车产量于自身的滞后一期有关，还与国家公路里程长度有关。这与汽车保有量表达出的原因根本相同，而且经济意义也大同小异，没有居民可支配收入这一变量在模型并不能说明这一指标对汽车产量的变化没有作用，只能说明作用并不显著，或者说不直接显著。汽车保有量的变化量与汽车产量的变化量有着几乎相同的解释变量，但是汽车保有量变化的原因要比汽车产量的变化更加复杂，因为汽车产量在表达市场需求之外更多反映的是汽车工业的生产和制造能力，不能直接反映人民生活水平的上下。而汽车保有量是针对已销售的汽车建立的指标，它可以更加准确和直接的反映当前居民对汽车的需求和购置能力，具有更为广泛的作用和意义。协整分析平稳性分析通过ADF检验，我们发现，LNY一阶差分后平稳，即LNY~I(1)。NullHYpothesis:DLNYhasaunitrootExogenous:ConstantLagLength:0(AutomaticbasedonSIC,MAXLAG=4)t-Statistic

Prob.*AugmentedDickeY-FullerteststatisticTestcriticalvalues:1%level5%level10%level*MacKinnon(1996)one-sidedp-values.AugmentedDickeY-FullerTestEquationDependentVariable:D(DLNY)Method:LeastSquaresDate:12/31/09Time:15:17Sample(adjusted):19872008Includedobservations:22afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DLNY(-1)CR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)同样，通过ADF检验可以看出LNINC二阶差分后平稳，即LNINC~I(2)。NullHYpothesis:DDLNINChasaunitrootExogenous:ConstantLagLength:0(AutomaticbasedonSIC,MAXLAG=4)t-Statistic

Prob.*AugmentedDickeY-FullerteststatisticTestcriticalvalues:1%level5%level10%level*MacKinnon(1996)one-sidedp-values.AugmentedDickeY-FullerTestEquationDependentVariable:D(DDLNINC)Method:LeastSquaresDate:12/31/09Time:15:22Sample(adjusted):19882008Includedobservations:21afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DDLNINC(-1)CR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)LNPRO一阶差分后平稳，即LNPRO~I(1)。NullHYpothesis:DLNPROhasaunitrootExogenous:ConstantLagLength:1(AutomaticbasedonSIC,MAXLAG=4)t-Statistic

Prob.*AugmentedDickeY-FullerteststatisticTestcriticalvalues:1%level5%level10%level*MacKinnon(1996)one-sidedp-values.AugmentedDickeY-FullerTestEquationDependentVariable:D(DLNPRO)Method:LeastSquaresDate:12/31/09Time:15:16Sample(adjusted):19882008Includedobservations:21afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DLNPRO(-1)D(DLNPRO(-1))CR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)LNWAY一阶差分后平稳，即LNWAY~I(1)。NullHYpothesis:DLNWAYhasaunitrootExogenous:ConstantLagLength:0(AutomaticbasedonSIC,MAXLAG=4)t-Statistic

Prob.*AugmentedDickeY-FullerteststatisticTestcriticalvalues:1%level5%level10%level*MacKinnon(1996)one-sidedp-values.AugmentedDickeY-FullerTestEquationDependentVariable:D(DLNWAY)Method:LeastSquaresDate:12/31/09Time:15:17Sample(adjusted):19872008Includedobservations:22afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

DLNWAY(-1)CR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)综上，我们发现，LNY,LNPRO,LNWAY同为一阶单整，所以，我们可以对他们进行下一步的分析。E-G检验两步法与误差修正模型在LNY,LNPRO,LNWAY同阶单整的情况下，用最小二乘法对模型LNY=a0+a1*LNPRO+a2*LNWAY进行回归，有如下结果DependentVariable:LNYMethod:LeastSquaresDate:12/31/09Time:15:31Sample:19852008Includedobservations:24VariableCoefficientStd.Errort-StatisticProb.

CLNPROLNWAYR-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.F-statistic

Durbin-WatsonstatProb(F-statistic)得到相应的残差序列=LNY-，经过ADF检验，发现平稳，那么说明LNY,LNPRO,LNWAY之间存在协整关系。NullHypothesis:UThasaunitrootExogenous:NoneLagLength:1(AutomaticbasedonSIC,MAXLAG=5)t-Statistic

Prob.*AugmentedDickey-FullerteststatisticTestcriticalvalues:1%level5%level10%level*MacKinnon(1996)one-sidedp-values.AugmentedDickey-FullerTestEquationDependentVariable:D(UT)Method:LeastSquaresDate:01/26/10Time:12:41Sample(adjusted):19872008Includedobservations:22afteradjustmentsVariableCoefficientStd.Errort-StatisticProb.

UT(-1)D(UT(-1))R-squared

MeandependentvarAdjustedR-squared

S.D.dependentvarS.E.ofregression

AkaikeinfocriterionSumsquaredresid

SchwarzcriterionLoglikelihood

Hannan-Quinncriter.Durbin-Watsonstat接下来，对方程进行Johanson检验。结果如下：Date:01/26/10Time:12:15Sample:19852008Includedobservations:20Series:LNYLNPROLNX4

Lagsinterval:1to3

Selected(0.05level*)NumberofCointegrating